論文の概要: Exploring & Exploiting High-Order Graph Structure for Sparse Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2306.17034v1
• Date: Thu, 29 Jun 2023 15:35:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 12:49:45.224973
• Title: Exploring & Exploiting High-Order Graph Structure for Sparse Knowledge Graph Completion
• Title（参考訳）: スパース知識グラフ補完のための高次グラフ構造探索と展開
• Authors: Tao He, Ming Liu, Yixin Cao, Zekun Wang, Zihao Zheng, Zheng Chu, and Bing Qin
• Abstract要約: 本稿では,エンティティ間の価値ある長距離依存性を自動的にキャプチャできる新しいフレームワークLR-GCNを提案する。 提案手法は、GNNベースの予測器と推論経路蒸留器の2つの主成分からなる。
• 参考スコア（独自算出の注目度）: 20.45256490854869
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sparse knowledge graph (KG) scenarios pose a challenge for previous Knowledge Graph Completion (KGC) methods, that is, the completion performance decreases rapidly with the increase of graph sparsity. This problem is also exacerbated because of the widespread existence of sparse KGs in practical applications. To alleviate this challenge, we present a novel framework, LR-GCN, that is able to automatically capture valuable long-range dependency among entities to supplement insufficient structure features and distill logical reasoning knowledge for sparse KGC. The proposed approach comprises two main components: a GNN-based predictor and a reasoning path distiller. The reasoning path distiller explores high-order graph structures such as reasoning paths and encodes them as rich-semantic edges, explicitly compositing long-range dependencies into the predictor. This step also plays an essential role in densifying KGs, effectively alleviating the sparse issue. Furthermore, the path distiller further distills logical reasoning knowledge from these mined reasoning paths into the predictor. These two components are jointly optimized using a well-designed variational EM algorithm. Extensive experiments and analyses on four sparse benchmarks demonstrate the effectiveness of our proposed method.
• Abstract（参考訳）: スパースナレッジグラフ(KG)のシナリオは、従来の知識グラフ補完(KGC)手法の課題であり、グラフのスパーシティの増加に伴い、完了性能が急速に低下する。 この問題は、実用用途にスパースKGが広く存在するため、さらに悪化している。 この課題を解決するために、我々は、エンティティ間の価値ある長距離依存性を自動的に捕捉し、不十分な構造特徴を補い、スパースKGCの論理的推論知識を蒸留する新しいフレームワークLR-GCNを提案する。 提案手法はgnnベースの予測器と推論経路蒸留器の2つの主成分からなる。 推論経路蒸留器は、推論経路のような高次グラフ構造を探索し、それらをリッチ・セマンティックエッジとしてエンコードし、予測器に長距離依存を明示的に構成する。 このステップはKGを密度化するのにも重要な役割を担い、スパース問題を効果的に緩和する。 さらに、経路蒸留器は、これらの採掘された推論経路から論理推論知識を予測器にさらに蒸留する。 これら2つのコンポーネントは、よく設計された変分EMアルゴリズムを用いて共同最適化される。 4つのスパースベンチマークの大規模な実験と解析により,提案手法の有効性が示された。

関連論文リスト

• Rethinking Link Prediction for Directed Graphs [73.36395969796804]
  有向グラフのリンク予測は、様々な現実世界のアプリケーションにとって重要な課題である。 埋め込み手法とグラフニューラルネットワーク(GNN)の最近の進歩は、有望な改善を示している。 本稿では,既存手法の表現性を評価するための統一的なフレームワークを提案し,二重埋め込みとデコーダ設計が性能に与える影響を強調した。
  論文  参考訳（メタデータ） (2025-02-08T23:51:05Z)
• Causal Graphs Meet Thoughts: Enhancing Complex Reasoning in Graph-Augmented LLMs [4.701165676405066]
  関連情報を検索するだけでなく、因果推論や説明可能性の提供も重要である。 本稿では,大きな知識グラフをフィルタして原因効果エッジを強調する新しいパイプラインを提案する。 医学的質問応答タスクの実験では、一貫した利得を示し、最大10%の絶対的な改善がある。
  論文  参考訳（メタデータ） (2025-01-24T19:31:06Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
  グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。 データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。 AGL-SC(Amplify Graph Learning framework)を提案する。
  論文  参考訳（メタデータ） (2024-06-27T08:26:20Z)
• Preserving Node Distinctness in Graph Autoencoders via Similarity Distillation [9.395697548237333]
  グラフオートエンコーダ(GAE)は、平均二乗誤差(MSE)のような距離ベースの基準に依存して入力グラフを再構築する。 単一の再構築基準にのみ依存すると 再建されたグラフの 特徴が失われる可能性がある 我々は,再構成されたグラフにおいて,必要な相違性を維持するための簡易かつ効果的な戦略を開発した。
  論文  参考訳（メタデータ） (2024-06-25T12:54:35Z)
• RobGC: Towards Robust Graph Condensation [61.259453496191696]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習の目覚ましい能力によって広く注目を集めている。 しかし,大規模グラフの普及は,その計算要求により,GNNトレーニングにとって大きな課題となる。 本稿では,GNNを効率よく学習し,性能を保ちつつ,情報的コンパクトなグラフを生成するために,GC(Graph Condensation)を提案する。
  論文  参考訳（メタデータ） (2024-06-19T04:14:57Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• River of No Return: Graph Percolation Embeddings for Efficient Knowledge Graph Reasoning [16.143817898963785]
  知識グラフ推論のためのグラフニューラルネットワーク(GNN)に基づく埋め込み技術について検討する。 モデルトレーニングにおいて,パスエンコーディングとメッセージパッシングに基づく最先端KG推論モデルにおけるパス冗長性の問題と,変換エラーへのメッセージパッシングを初めてリンクする。 流体力学におけるパーコレーションモデルによる効率的なグラフパーコレーションプロセスを提案し,グラフパーコレーション埋め込み(GraPE)と呼ばれる軽量なGNNベースのKG推論フレームワークを設計する。
  論文  参考訳（メタデータ） (2023-05-17T06:13:28Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。